การปรับปรุงระบบสกัด รวบรวมข้อมูล และสรุปเหตุการณ์น้ำท่วมจากข่าวออนไลน์ด้วยโมเดลภาษาขนาดใหญ่
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อปรับปรุงและพัฒนาประสิทธิภาพของระบบกึ่งอัตโนมัติสำหรับการสกัด รวบรวม และวิเคราะห์เชิงพื้นที่ของข้อมูลเหตุการณ์น้ำท่วมจากข่าวออนไลน์ในประเทศไทย โดยปรับปรุงข้อจำกัดของระบบเดิมที่พัฒนาด้วยภาษา Python และเทคนิคการสกัดคำสำคัญเชิงระบุตำแหน่ง (Named Entity Recognition: NER) อย่างโมเดล WangchanBERTa ซึ่งมีความซับซ้อนในการจัดการข้อมูลที่ไม่มีโครงสร้างและมีขั้นตอนประมวลผลหลายขั้นตอน การวิจัยนี้นำเสนอระบบที่ปรับปรุงใหม่โดยการใช้สถาปัตยกรรมภาษา JavaScript ร่วมกับ Node.js ในการควบคุมกระบวนการดึงข้อความจากหน้าเว็บ และใช้งานร่วมกับอินเตอร์เฟซจำลองกระบวนการทำงานอัตโนมัติ (n8n Workflow Automation) เป็นส่วนติดต่อผู้ใช้งาน โดยประยุกต์ใช้โมเดลภาษาขนาดใหญ่ (Large Language Model: LLM) ผ่าน Gemini Flash 2.5 API ในการทำหน้าที่เป็นตัวประมวลผลภาษาธรรมชาติ สกัดข้อมูลตัวตนเชิงเวลาและพื้นที่ (วันที่ สถานที่ และจังหวัด) สรุปใจความข่าว ตลอดจนประเมินระดับความรุนแรงของภัยพิบัติ การทดสอบระบบประมวลผลเปรียบเทียบกับชุดข้อมูลข่าวเหตุการณ์น้ำท่วมปี พ.ศ. 2567 จำนวน 555 ข่าว พบว่า ระบบใหม่ที่นำเสนอสามารถลดระยะเวลารวมในกระบวนการประมวลผลข้อมูลตั้งแต่เริ่มต้นจนถึงการสร้างแผนภูมิภูมิสารสนเทศลงจาก 1,125 วินาที (19 นาที) เหลือเพียง 788 วินาที (13 นาที) หรือคิดเป็นการลดเวลาลงร้อยละ 29.95 ในด้านคุณภาพของข้อมูลที่สกัดได้ โมเดลภาษาขนาดใหญ่มีอัตราความแม่นยำเฉลี่ยสูงกว่าระบบเดิม โดยสามารถลดปัญหาข้อผิดพลาดจากการสกัดภาษาธรรมชาติที่มีโครงสร้างประโยคซับซ้อนหรือคำที่มีความกำกวม และสามารถสกัดมิติของเหตุการณ์เพิ่มเติม เช่น ข้อมูลระดับความรุนแรง ซึ่งระบบเดิมไม่สามารถจัดหมวดหมู่ได้ ผลการวิจัยชี้ให้เห็นว่าระบบที่ปรับปรุงใหม่มีความยืดหยุ่นในการเขียนโปรแกรมและการรวมระบบข้ามแพลตฟอร์มที่สูงขึ้น ช่วยให้เกิดแนวทางการสกัดและจัดเตรียมข้อมูลภัยพิบัติที่มีคุณภาพสูงสำหรับการแสดงผลผ่านแผนที่ความร้อนและการวิเคราะห์เชิงนโยบายเพื่อสนับสนุนการแจ้งเตือนภัยแบบกึ่งเรียลไทม์ได้อย่างมีนัยสำคัญ อย่างไรก็ดี การนำระบบไปปรับใช้ในวงกว้างจำเป็นต้องคำนึงถึงประเด็นด้านความเป็นส่วนตัวและความปลอดภัยของข้อมูลในการสื่อสารผ่าน API ภายนอก รวมถึงการบริหารจัดการต้นทุนค่าใช้จ่ายในการเรียกใช้งานโมเดล
Article Details
เอกสารอ้างอิง
ชวลิต โควีระวงศ์, รัตถชล อ่างมณี, ไพรินทร์ มีศรี และ ดาวรถา วีระพันธ์. (2568). การพัฒนาและประยุกต์ใช้เทคนิคเว็บสแครปปิ้งและการประมวลผลภาษาธรรมชาติสำหรับการรวบรวมและวิเคราะห์ข้อมูลข่าวสารเกี่ยวกับน้ำท่วมในประเทศไทย. ใน: การประชุมวิชาการระดับชาติและนานาชาติครั้งที่ 4 ด้านวิทยาศาสตร์และเทคโนโลยี. วันที่ 7 มีนาคม 2568. คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏเพชรบูรณ์, เพชรบูรณ์. 314-323.
ศูนย์ข้อมูลสาธารณภัย. (2567). สรุปสถิติสาธารณภัยประจำปี พ.ศ. 2567 ของกรมป้องกันและบรรเทาสาธารณภัย (ปภ.). สืบคนเมื่อวันที่ 8 สิงหาคม 2569, จาก https://datacenter.disaster.go.th/datacenter/cms/8670?id=132971.
Deelman, E., Vahi, K., Juve, G., Rynge, M., Callaghan, S., Maechling, P. J., Mayani, R., Chen, W., Ferreira da Silva, R., Livny, M., & Wenger K. (2015). Pegasus, a workflow management system for science automation. Future Generation Computer Systems, 46, 17-35. doi:10.1016/j.future.2014.10.008.
Eze, E., Feyisetan, O., & Omojola, A. (2020). Named entity recognition for disaster management: A review and framework. International Journal of Disaster Risk Reduction, 48, 101612. doi:10.1016/j.ijdrr.2020.101612.
Google Developers. (2024). Google AI Studio Pricing and Model Documentation. Google AI for Developers. Retrieved June 25, 2026 form https://ai.google.dev/pricing.
Google Gemini Team. (2023). Gemini: A family of highly capable multimodal models. Retrieved August 1, 2026 from https://arxiv.org/pdf/2312.11805.
Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Jin Bang, Y., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), 1-38. doi:10.1145/3571730.
Lei, K., Ma, Y., & Tan, Z. (2014). Performance comparison and evaluation of Web development technologies in PHP, Python, and Node.js. In: Proceedings of IEEE International Conference on Computational Science and Engineering, 19-21 December, 2014, NW Washington, DC United States. 661-668. doi:10.1109/CSE.2014.142.
Lowphansirikul, L., Polpanumas, C., Jantrakulchai, N., & Nutanong, S. (2021). WangchanBERTa: Pretraining transformer-based Thai Language Models. Retrieved July 12, 2026 from https://arxiv.org/pdf/2101.09635.
Makarov, I. S., Larin, D. V., Vorobeva, E. G., Emelin, D. P., & Kartashov, D. A. (2025). The impact of asynchronous and multithreaded query processing models on the performance of server-side web applications. Software Systems and Computational Methods, (1), 13–20. doi.org/10.7256/2454-0714.2025.1.73665.
Phatthiyaphaibun, W., Chaovavanich, K., Polpanumas, C., Suriyawongkul, A., Lowphansirikul, L., Chormai, P., Limkonchotiwat, P., Suntorntip, T., & Udomcharoenchaikit, C. (2023). PyThaiNLP: Thai Natural Language Processing in Python. In: Proceedings of the 3rd Workshop for Natural Language Processing Open Source Software, December 6, 2023, 25-36. doi:10.18653/v1/2023.nlposs-1.4.
Revilla-Romero, B., Hirpa, F. A., Thielen-del Pozo, J., Salamon, P., Pappenberger, F., & De Groeve, T. (2015). On the use of global flood forecasts and satellite-derived inundation maps for flood monitoring in data-sparse regions. Remote Sensing, 7(11), 15702-15728. doi:10.3390/rs71115702.
Singrodia, V., Mitra, A., & Paul, S. (2019). A review on web scraping and its applications. In: International Conference on Computer Communication and Informatics (ICCCI), 23-25 January, 2019, Coimbatore, India. 1-6. doi:10.1109/ICCCI.2019.8821809.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998-6008.
Wei, X., Cui, X., Cheng, N., Wang, X., Zhang, X., Huang, S., Xie, P., Xu, J., Chen, Y., Zhang, M., Jiang, Y., & Han, W. (2023). ChatIE: Zero-Shot Information Extraction via Chatting with ChatGPT. Retrieved August 8, 2026 from https://arxiv.org/pdf/2302.10205.
